Dr. Claw：CLIエージェントを束ねて監査可能な研究ループを実現するAI Scientistワークスペース

Claude Codeなどの最新CLIコーディングエージェントは長時間のファイル読み書きが可能になったが、実際の全体をまとめて研究はチャット、IDE、ターミナル、論文執筆環境に分断され、なぜその変更を行ったのかという意思決定の監査証跡が失われ、失敗時に安全に過去の状態へ復帰できない。

新たな自律エージェントをゼロから作らず、既存のCLIエージェント実行器をタスクグラフ、成果物ストア、意思決定ログ、実行トレースという4つの永続状態オブジェクトで包み込み、人間とAIが協調する監査可能・復元可能な統合ワークスペース（Dr. Claw）を提供する。

著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

状態オブジェクトの永続化と依存解決を行うオーケストレーション層の介在により、素のCLI直接実行に比べてわずかな実行時間オーバーヘッドが存在する

この研究が示すのは、AIに研究を丸ごと任せることより、途中の作業を人が確かめて直せる場所を用意する考え方です。報告された例が別の研究でも再現するなら、AIを使うときの判断記録を残しやすくなるかもしれません。ただし、限られた事例だけでは研究の質や速さが広く向上するとは言えません。

Claude Codeなどの最新CLIコーディングエージェントは長時間のファイル読み書きが可能になったが、実際の全体をまとめて研究はチャット、IDE、ターミナル、論文執筆環境に分断され、なぜその変更を行ったのかという意思決定の監査証跡が失われ、失敗時に安全に過去の状態へ復帰できない。

多くの先行研究はに自律した新しいAI Scientistエージェントを一から構築しようとしたが、これらはブラックボックス化しやすく、人間が途中介入したり、既存のCLIエージェントエコシステムを活用することが困難だった。

新たな自律エージェントをゼロから作らず、既存のCLIエージェント実行器をタスクグラフ、成果物ストア、意思決定ログ、実行トレースという4つの永続状態オブジェクトで包み込み、人間とAIが協調する監査可能・復元可能な統合ワークスペース（Dr. Claw）を提供する。

作業をタスクのつながり（グラフ）、作成されたファイル群、人間の決定メモ、AIの全記録の4つに分けて記録します。AIが勝手に暴走しないよう、計画→実行→確認→記録のステップを順番に回します。

著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

その評価で著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

この論文が扱うのは、AIが進める研究の途中経過を人が確認し、必要な地点からやり直せる作業環境です。示されたのは限られた事例であり、研究一般の速さや正確さが上がるとまでは確認されていません。

各手順や決定を記録して安全を担保するため、AIを素のままで走らせるよりもわずかな待ち時間が発生します。研究に必要な部品（実験コード、図表、文章など）が揃っているかを判定する仕組みであり、その科学的発見が本当に正しいかどうかは人間が精読して判断する必要があります。動かしているベースのAI自体の頭脳の限界（解けない難問やプログラミングのミス）を超えることはできません。状態オブジェクトの永続化と依存解決を行うオーケストレーション層の介在により、素のCLI直接実行に比べてわずかな実行時間オーバーヘッドが存在する。本評価で測定している研究網羅性はコンポーネントの充足度を測るものであり、得られた科学的結論の学術的妥当性や新規性そのものを自動保証するものではない。バックエンドとして呼び出す外部LLMエージェント自体のコーディング能力や推論限界、APIレート制限に依存する

この研究が示すのは、AIに研究を丸ごと任せることより、途中の作業を人が確かめて直せる場所を用意する考え方です。報告された例が別の研究でも再現するなら、AIを使うときの判断記録を残しやすくなるかもしれません。ただし、限られた事例だけでは研究の質や速さが広く向上するとは言えません。

Claude Codeなどの最新CLIコーディングエージェントは長時間のファイル読み書きが可能になったが、実際の全体をまとめて研究はチャット、IDE、ターミナル、論文執筆環境に分断され、なぜその変更を行ったのかという意思決定の監査証跡が失われ、失敗時に安全に過去の状態へ復帰できない。

多くの先行研究はに自律した新しいAI Scientistエージェントを一から構築しようとしたが、これらはブラックボックス化しやすく、人間が途中介入したり、既存のCLIエージェントエコシステムを活用することが困難だった。

新たな自律エージェントをゼロから作らず、既存のCLIエージェント実行器をタスクグラフ、成果物ストア、意思決定ログ、実行トレースという4つの永続状態オブジェクトで包み込み、人間とAIが協調する監査可能・復元可能な統合ワークスペース（Dr. Claw）を提供する。

Dr. Clawは以下の3層構造と4つの永続状態オブジェクトによって動作します。

• 相互作用層 (Interaction Layer): 人間がグラフィカルまたはCLIでタスクを俯瞰し、指示や修正を与えるインターフェース。
• 調停層 (Orchestration Layer): Plan（計画立案）→ Execute（実行）→ Verify（結果検証）→ Write-back（状態保存）という4段階の反復サイクルを統制する頭脳。
• 実行層 (Execution Layer): 実際のコード生成やコマンド実行を担うCLIエージェント群。
• Task Graph: 研究全体のタスクの前後関係と依存関係を可視化・管理する有向グラフ。
• Artifact Store: 実験コード、データセット、出力されたプロット、生成された論文テキストを版管理付きで保管するストレージ。
• Decision Log: 人間が与えた制約や、AIが採用した方針の根拠をタイムスタンプ付きで記録する意思決定ログ。
• Execution Trace: 実際にシェルやエディタで叩かれた全コマンドとその標準出力を保持する低レイヤの監査証跡。

実験中にAIが誤ったライブラリを消去したりコードを破壊した場合でも、これらの状態オブジェクトを参照することで、直前の安全なチェックポイントへ非破壊的にロールバック（復旧）することが可能です。

相互作用層、オーケストレーション層、実行層の3層仕組みによる関心事の分離。タスク依存関係を管理するTask Graphと、ファイルや図表を版管理するArtifact Store。人間の指示とAIの推論根拠を紐付けるDecision Logと、入出力を保持するExecution Trace。Plan（計画）→ Execute（実行）→ Verify（検証）→ Write-back（状態書戻し）の反復ループ。再利用可能な実験手続きをパッケージ化するスキルライブラリとマルチ実行器の協調制御。不整合や実験失敗時に過去の健全な状態へロールバックできる非破壊的リカバリ機構

相互作用層、オーケストレーション層、実行層の3層仕組みによる関心事の分離。タスク依存関係を管理するTask Graphと、ファイルや図表を版管理するArtifact Store。人間の指示とAIの推論根拠を紐付けるDecision Logと、入出力を保持するExecution Trace。Plan（計画）→ Execute（実行）→ Verify（検証）→ Write-back（状態書戻し）の反復ループ。再利用可能な実験手続きをパッケージ化するスキルライブラリとマルチ実行器の協調制御。不整合や実験失敗時に過去の健全な状態へロールバックできる非破壊的リカバリ機構

著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

その条件で著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

既存資料で報告された失敗や切り分けの範囲は次の通りです。状態オブジェクトのシリアライズや依存グラフの整合性チェックが挟まるため、オーケストレーション層自体のオーバーヘッド（数秒から数十秒の処理コスト）が生じます。本研究で示された評価指標（研究性スコア）は、タスクに必要な成果物や記述項目が欠けずに生成されたかを測定したものであり、科学的な主張の真実性や実験の厳密性を自動的に検証したわけではありません。基盤となるCLIエージェントの推論精度やトークン上限、API接続の安定性に大きく左右されます。

事例の成功はワークスペース設計だけでなく、利用者の介入方法や選んだ課題にも左右されます。自律性より監査可能性が有効だという解釈には、条件をそろえた比較が必要です。

状態オブジェクトのシリアライズや依存グラフの整合性チェックが挟まるため、オーケストレーション層自体のオーバーヘッド（数秒から数十秒の処理コスト）が生じます。本研究で示された評価指標（研究性スコア）は、タスクに必要な成果物や記述項目が欠けずに生成されたかを測定したものであり、科学的な主張の真実性や実験の厳密性を自動的に検証したわけではありません。基盤となるCLIエージェントの推論精度やトークン上限、API接続の安定性に大きく左右されます。状態オブジェクトの永続化と依存解決を行うオーケストレーション層の介在により、素のCLI直接実行に比べてわずかな実行時間オーバーヘッドが存在する。本評価で測定している研究網羅性はコンポーネントの充足度を測るものであり、得られた科学的結論の学術的妥当性や新規性そのものを自動保証するものではない。バックエンドとして呼び出す外部LLMエージェント自体のコーディング能力や推論限界、APIレート制限に依存する

異なる研究分野と利用者で、正確さ、作業時間、再現性がどう変わるか。人間が介入すべき地点を比較可能な形で測る必要があります。

この研究が示すのは、AIに研究を丸ごと任せることより、途中の作業を人が確かめて直せる場所を用意する考え方です。報告された例が別の研究でも再現するなら、AIを使うときの判断記録を残しやすくなるかもしれません。ただし、限られた事例だけでは研究の質や速さが広く向上するとは言えません。

Claude Codeなどの最新CLIコーディングエージェントは長時間のファイル読み書きが可能になったが、実際のエンドツーエンド研究はチャット、IDE、ターミナル、論文執筆環境に分断され、なぜその変更を行ったのかという意思決定の監査証跡が失われ、失敗時に安全に過去の状態へ復帰できない。

新たな自律エージェントをゼロから作らず、既存のCLIエージェント実行器をタスクグラフ、成果物ストア、意思決定ログ、実行トレースという4つの永続状態オブジェクトで包み込み、人間とAIが協調する監査可能・復元可能な統合ワークスペース（Dr. Claw）を提供する。

著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

状態オブジェクトの永続化と依存解決を行うオーケストレーション層の介在により、素のCLI直接実行に比べてわずかな実行時間オーバーヘッドが存在する

報告されたワークフローが異なる研究課題でも機能するなら、研究エージェントの評価軸は最終結果だけでなく、途中状態の追跡可能性や人間が介入できる境界も含むべきです。ただし、事例中心の評価から一般的な生産性や正確性までは導けず、比較実験が必要です。

Claude Codeなどの最新CLIコーディングエージェントは長時間のファイル読み書きが可能になったが、実際のエンドツーエンド研究はチャット、IDE、ターミナル、論文執筆環境に分断され、なぜその変更を行ったのかという意思決定の監査証跡が失われ、失敗時に安全に過去の状態へ復帰できない。

多くの先行研究はに自律した新しいAI Scientistエージェントを一から構築しようとしたが、これらはブラックボックス化しやすく、人間が途中介入したり、既存のCLIエージェントエコシステムを活用することが困難だった。

新たな自律エージェントをゼロから作らず、既存のCLIエージェント実行器をタスクグラフ、成果物ストア、意思決定ログ、実行トレースという4つの永続状態オブジェクトで包み込み、人間とAIが協調する監査可能・復元可能な統合ワークスペース（Dr. Claw）を提供する。

Dr. Clawのコアメカニズムは以下の設計に基づきます：

• Task Graph: 依存関係を持つ研究タスクの有向非巡回グラフ（DAG）。
• Artifact Store: コード、中間データ、図表、レポートなどの成果物のバージョン管理ストア。
• Decision Log: 人間の意図、制約、設計判断をタイムスタンプ付きで記録する追跡ログ。
• Execution Trace: シェルコマンドやスクリプト実行の詳細なログストリーム。

Plan（目標からサブタスク展開）→ Execute（CLIエージェントによるコード生成・実行）→ Verify（期待される出力やテストの検証）→ Write-back（状態の確定とログ記録）を反復します。

AIがコード破壊や無限ループに陥った際、過去のチェックポイントからTask GraphとArtifact Storeを復元し、人間のフィードバックを注入して再実行できます。

著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

その評価で著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

対象は、CLIエージェントの実行過程を永続状態として追跡し、人間が途中介入する研究ワークフローです。評価は事例中心であり、領域を越えた生産性や科学的妥当性の改善は結論の範囲外です。

状態オブジェクトの管理、ディスクへのシリアライズ、検証ゲートの実行により、素のCLI実行に対して時間的オーバーヘッドが生じます。研究網羅性（Research Completeness）の評価は必要な実験項目や報告要素が網羅されているかの計測であり、科学的仮説や実験結果の学術的正しさを保証するものではありません。バックエンドのLLMエージェントが持つ推論能力やコーディングのバグ発生率に性能が制約されます。状態オブジェクトの永続化と依存解決を行うオーケストレーション層の介在により、素のCLI直接実行に比べてわずかな実行時間オーバーヘッドが存在する。本評価で測定している研究網羅性はコンポーネントの充足度を測るものであり、得られた科学的結論の学術的妥当性や新規性そのものを自動保証するものではない。バックエンドとして呼び出す外部LLMエージェント自体のコーディング能力や推論限界、APIレート制限に依存する

報告されたワークフローが異なる研究課題でも機能するなら、研究エージェントの評価軸は最終結果だけでなく、途中状態の追跡可能性や人間が介入できる境界も含むべきです。ただし、事例中心の評価から一般的な生産性や正確性までは導けず、比較実験が必要です。

Claude Codeなどの最新CLIコーディングエージェントは長時間のファイル読み書きが可能になったが、実際のエンドツーエンド研究はチャット、IDE、ターミナル、論文執筆環境に分断され、なぜその変更を行ったのかという意思決定の監査証跡が失われ、失敗時に安全に過去の状態へ復帰できない。

多くの先行研究はに自律した新しいAI Scientistエージェントを一から構築しようとしたが、これらはブラックボックス化しやすく、人間が途中介入したり、既存のCLIエージェントエコシステムを活用することが困難だった。

新たな自律エージェントをゼロから作らず、既存のCLIエージェント実行器をタスクグラフ、成果物ストア、意思決定ログ、実行トレースという4つの永続状態オブジェクトで包み込み、人間とAIが協調する監査可能・復元可能な統合ワークスペース（Dr. Claw）を提供する。

システムの詳細なアーキテクチャと動作機構は以下の通りです：

• Interaction Layer: ユーザーとの対話を担う3面ビュー（メインワークスペース、スキルライブラリ、タスクリスト）。人間の高レベルな意図と制約を受け付けます。
• Orchestration Layer: システムの中核。ユーザー目標をTask Graphに展開し、Plan–Execute–Verify–Write-backのイテレーションを実行。安全方針制約 Action_t in A(Policy_t) を強制します。
• Execution Layer: 複数のCLIエージェントインスタンスを協調動作させ、実際のファイル操作、スクリプト実行、データ分析を担います。
• Task Graph (G): ノードが個別の研究サブタスク、エッジが依存関係を表す有向グラフ。進捗状況や実行順序を管理します。
• Artifact Store (S): 実験スクリプト、ログファイル、中間データ、図表、生成されたLaTeX原稿を格納するGitライクなストレージ。
• Decision Log (D): 人間エディターによる承認、パラメータの変更指示、AIの推論方針を構造化して記録する台帳。
• Execution Trace (T): 各エージェントが実行した全シェルセッションのRawログ。

頻出する研究手続き（文献要約、データ前処理パイプライン構築、アブレーションプロット生成など）をスキルとしてパッケージ化し再利用可能にしています。また、実行時エラーが発生した際は、Artifact StoreとTask Graphのスナップショットから過去の健全状態へ安全に巻き戻し（Rollback）、エラー原因をDecision Logに追記した上で代替戦略を実行できます。

相互作用層、オーケストレーション層、実行層の3層アーキテクチャによる関心事の分離。タスク依存関係を管理するTask Graphと、ファイルや図表を版管理するArtifact Store。人間の指示とAIの推論根拠を紐付けるDecision Logと、入出力を保持するExecution Trace。Plan（計画）→ Execute（実行）→ Verify（検証）→ Write-back（状態書戻し）の反復ループ。再利用可能な実験手続きをパッケージ化するスキルライブラリとマルチ実行器の協調制御。不整合や実験失敗時に過去の健全な状態へロールバックできる非破壊的リカバリ機構

相互作用層、オーケストレーション層、実行層の3層アーキテクチャによる関心事の分離。タスク依存関係を管理するTask Graphと、ファイルや図表を版管理するArtifact Store。人間の指示とAIの推論根拠を紐付けるDecision Logと、入出力を保持するExecution Trace。Plan（計画）→ Execute（実行）→ Verify（検証）→ Write-back（状態書戻し）の反復ループ。再利用可能な実験手続きをパッケージ化するスキルライブラリとマルチ実行器の協調制御。不整合や実験失敗時に過去の健全な状態へロールバックできる非破壊的リカバリ機構

著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

その条件で著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

既存資料で報告された失敗や切り分けの範囲は次の通りです。各ステップでの状態検証（Verify）とオブジェクトの永続化書き戻し（Write-back）に伴い、単一CLIをノンストップで走らせる場合に比べてレイテンシが増加します。自動評価で示された研究網羅性（Completeness）は、実験セクションや結果分析などの構成要素が存在するかを定量化したものであり、研究内容の科学的真実性や再現性の深層的保証ではありません。バックエンドのLLM実行器自体のコーディング能力やコンテキスト長、ベンダー側のAPI可用性に依存します。

事例の成功はワークスペース設計だけでなく、利用者の介入方法や選んだ課題にも左右されます。自律性より監査可能性が有効だという解釈には、条件をそろえた比較が必要です。

各ステップでの状態検証（Verify）とオブジェクトの永続化書き戻し（Write-back）に伴い、単一CLIをノンストップで走らせる場合に比べてレイテンシが増加します。自動評価で示された研究網羅性（Completeness）は、実験セクションや結果分析などの構成要素が存在するかを定量化したものであり、研究内容の科学的真実性や再現性の深層的保証ではありません。バックエンドのLLM実行器自体のコーディング能力やコンテキスト長、ベンダー側のAPI可用性に依存します。状態オブジェクトの永続化と依存解決を行うオーケストレーション層の介在により、素のCLI直接実行に比べてわずかな実行時間オーバーヘッドが存在する。本評価で測定している研究網羅性はコンポーネントの充足度を測るものであり、得られた科学的結論の学術的妥当性や新規性そのものを自動保証するものではない。バックエンドとして呼び出す外部LLMエージェント自体のコーディング能力や推論限界、APIレート制限に依存する

異なる研究分野と利用者で、正確さ、作業時間、再現性がどう変わるか。人間が介入すべき地点を比較可能な形で測る必要があります。

報告されたワークフローが異なる研究課題でも機能するなら、研究エージェントの評価軸は最終結果だけでなく、途中状態の追跡可能性や人間が介入できる境界も含むべきです。ただし、事例中心の評価から一般的な生産性や正確性までは導けず、比較実験が必要です。

Claude Codeなどの最新CLIコーディングエージェントは長時間のファイル読み書きが可能になったが、実際のエンドツーエンド研究はチャット、IDE、ターミナル、論文執筆環境に分断され、なぜその変更を行ったのかという意思決定の監査証跡が失われ、失敗時に安全に過去の状態へ復帰できない。

新たな自律エージェントをゼロから作らず、既存のCLIエージェント実行器をタスクグラフ、成果物ストア、意思決定ログ、実行トレースという4つの永続状態オブジェクトで包み込み、人間とAIが協調する監査可能・復元可能な統合ワークスペース（Dr. Claw）を提供する。

著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

状態オブジェクトの永続化と依存解決を行うオーケストレーション層の介在により、素のCLI直接実行に比べてわずかな実行時間オーバーヘッドが存在する

提示された事例が他領域でも再現されるなら、自律性の最大化より、状態を監査し分岐点から再開できる研究環境の設計が重要になる。ただし現状の証拠は一般的な科学的妥当性や効率向上を確立しておらず、対照条件を置いた評価が必要である。

Claude Codeなどの最新CLIコーディングエージェントは長時間のファイル読み書きが可能になったが、実際のエンドツーエンド研究はチャット、IDE、ターミナル、論文執筆環境に分断され、なぜその変更を行ったのかという意思決定の監査証跡が失われ、失敗時に安全に過去の状態へ復帰できない。

多くの先行研究はに自律した新しいAI Scientistエージェントを一から構築しようとしたが、これらはブラックボックス化しやすく、人間が途中介入したり、既存のCLIエージェントエコシステムを活用することが困難だった。

新たな自律エージェントをゼロから作らず、既存のCLIエージェント実行器をタスクグラフ、成果物ストア、意思決定ログ、実行トレースという4つの永続状態オブジェクトで包み込み、人間とAIが協調する監査可能・復元可能な統合ワークスペース（Dr. Claw）を提供する。

Dr. Clawの形式モデルとシステム構成は以下の通りです：

研究セッションを State_{t+1} = f(State_t, Action_t, Obs_t) としてモデル化。ここで State_t = (G_t, S_t, D_t, T_t) はタスクグラフ G、成果物ストア S、意思決定ログ D、実行トレース T から構成されます。

• Plan: ユーザーの指示と現在のタスクグラフに基づき、実行可能なサブタスクをスケジュール。
• Execute: CLIエージェントがコード生成やシェルコマンドを実行。
• Verify: 出力ファイルやテスト結果が制約を満たしているかを検証。
• Write-back: 検証済み成果物をArtifact Storeにコミットし、意思決定ログとトレースを更新。

バックエンド実行器としてCodex（gpt-5.4）を同一条件で固定し、素のCLIエージェント単体と、Dr. Clawでラップした環境を比較。オープンエンドな研究タスクにおいて、網羅性スコアの向上とプロセスの追跡可能性を確認しました。

著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

その評価で著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

主張の射程は、既存CLI agentを包む監査可能・復元可能なworkspaceと提示事例に限られる。研究成果の品質、所要時間、再現性に対する一般的な因果効果は対照実験で確立されていない。

状態オブジェクトの直列化や検証ゲートの介在による処理時間の増大（実行時オーバーヘッド）。本研究で定義された研究性（Research Completeness）は各研究フェーズ（文献、コード、分析、執筆）の成果物が揃っているかを定量評価した指標であり、内容の学術的正しさを保証するものではない点。ラップ対象となるバックエンドLLMの基礎的推論性能やコンテキスト長制限への依存。状態オブジェクトの永続化と依存解決を行うオーケストレーション層の介在により、素のCLI直接実行に比べてわずかな実行時間オーバーヘッドが存在する。本評価で測定している研究網羅性はコンポーネントの充足度を測るものであり、得られた科学的結論の学術的妥当性や新規性そのものを自動保証するものではない。バックエンドとして呼び出す外部LLMエージェント自体のコーディング能力や推論限界、APIレート制限に依存する

提示された事例が他領域でも再現されるなら、自律性の最大化より、状態を監査し分岐点から再開できる研究環境の設計が重要になる。ただし現状の証拠は一般的な科学的妥当性や効率向上を確立しておらず、対照条件を置いた評価が必要である。

Claude Codeなどの最新CLIコーディングエージェントは長時間のファイル読み書きが可能になったが、実際のエンドツーエンド研究はチャット、IDE、ターミナル、論文執筆環境に分断され、なぜその変更を行ったのかという意思決定の監査証跡が失われ、失敗時に安全に過去の状態へ復帰できない。

多くの先行研究はに自律した新しいAI Scientistエージェントを一から構築しようとしたが、これらはブラックボックス化しやすく、人間が途中介入したり、既存のCLIエージェントエコシステムを活用することが困難だった。

新たな自律エージェントをゼロから作らず、既存のCLIエージェント実行器をタスクグラフ、成果物ストア、意思決定ログ、実行トレースという4つの永続状態オブジェクトで包み込み、人間とAIが協調する監査可能・復元可能な統合ワークスペース（Dr. Claw）を提供する。

Dr. Clawのアーキテクチャおよび実験的検証の詳細は以下の通りです：

離散時間 t における研究状態を State_t = <G_t, S_t, D_t, T_t> と定義。

• G_t = (V_t, E_t): タスクの依存関係を表す有向非巡回グラフ（DAG）。
• S_t: 実験コード、データセット、図表、ドラフト原稿などの成果物スナップショット。
• D_t = {(m_i, c_i, tau_i)}: 人間の指示 m_i、適用された制約 c_i、タイムスタンプ tau_i からなる決定ログ。
• T_t: CLI実行器の生入出力ストリームを格納するトレースログ。

各遷移において、安全性ポリシー制約 Action_t in A(Policy_t) が評価されます。

頻出する定型研究手順をモジュール化されたスキルとしてライブラリ化。必要に応じて専門のCLI実行器へタスクを割り振り、並列的または逐次的に実行させます。

評価実験ではバックエンド実行器をCodex（モデル: gpt-5.4、matched danger-full-access / approval-neverプロファイル）に固定し、素のCLIエージェントとDr. Clawの比較を実施。制約が明示されていないオープンエンドな研究タスクにおいて、Dr. Clawは研究性（必要な構成要素が漏れなく網羅されているかの指標）で有意に高いスコアを記録しました。さらに、意図的なエラー注入実験において、Artifact StoreとTask Graphのスナップショットから過去の健全状態へ非破壊的にロールバックし、人間の介在により研究を再開できることを報告しました。

相互作用層、オーケストレーション層、実行層の3層アーキテクチャによる関心事の分離。タスク依存関係を管理するTask Graphと、ファイルや図表を版管理するArtifact Store。人間の指示とAIの推論根拠を紐付けるDecision Logと、入出力を保持するExecution Trace。Plan（計画）→ Execute（実行）→ Verify（検証）→ Write-back（状態書戻し）の反復ループ。再利用可能な実験手続きをパッケージ化するスキルライブラリとマルチ実行器の協調制御。不整合や実験失敗時に過去の健全な状態へロールバックできる非破壊的リカバリ機構

相互作用層、オーケストレーション層、実行層の3層アーキテクチャによる関心事の分離。タスク依存関係を管理するTask Graphと、ファイルや図表を版管理するArtifact Store。人間の指示とAIの推論根拠を紐付けるDecision Logと、入出力を保持するExecution Trace。Plan（計画）→ Execute（実行）→ Verify（検証）→ Write-back（状態書戻し）の反復ループ。再利用可能な実験手続きをパッケージ化するスキルライブラリとマルチ実行器の協調制御。不整合や実験失敗時に過去の健全な状態へロールバックできる非破壊的リカバリ機構

著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

その条件で著者らは、同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

同一のバックエンド実行器（Codex gpt-5.4）を固定したオープンエンド研究評価において、素のCLIエージェント単体よりも高い研究網羅性スコアを達成した。実験中のエラーや想定外の挙動に対し、過去のタスクグラフと成果物ストアから非破壊的に実行状態を復元できることを実証した。人間参加のレトロスペクティブ実験（3条件比較）において、ツール間の行き来に伴うコンテキストスイッチの削減と作業継続性の改善を確認した

既存資料で報告された失敗や切り分けの範囲は次の通りです。状態オブジェクトの管理、ディスクへのスナップショット保存、検証パイプラインの実行により、単一エージェントを直接走らせるよりも処理時間オーバーヘッドが生じます。測定された研究性は成果物の構造的充足度（文献レビュー、実験コード、分析結果、原稿が揃っているか）を評価したものであり、科学的結論の妥当性や再現性の自動検証ではありません。基盤となる外部LLM実行器のコンテキスト長制限、推論能力、API接続障害などの外部要因に性能が制約されます。

事例の成功はワークスペース設計だけでなく、利用者の介入方法や選んだ課題にも左右されます。自律性より監査可能性が有効だという解釈には、条件をそろえた比較が必要です。

状態オブジェクトの管理、ディスクへのスナップショット保存、検証パイプラインの実行により、単一エージェントを直接走らせるよりも処理時間オーバーヘッドが生じます。測定された研究性は成果物の構造的充足度（文献レビュー、実験コード、分析結果、原稿が揃っているか）を評価したものであり、科学的結論の妥当性や再現性の自動検証ではありません。基盤となる外部LLM実行器のコンテキスト長制限、推論能力、API接続障害などの外部要因に性能が制約されます。状態オブジェクトの永続化と依存解決を行うオーケストレーション層の介在により、素のCLI直接実行に比べてわずかな実行時間オーバーヘッドが存在する。本評価で測定している研究網羅性はコンポーネントの充足度を測るものであり、得られた科学的結論の学術的妥当性や新規性そのものを自動保証するものではない。バックエンドとして呼び出す外部LLMエージェント自体のコーディング能力や推論限界、APIレート制限に依存する

異なる研究分野と利用者で、正確さ、作業時間、再現性がどう変わるか。人間が介入すべき地点を比較可能な形で測る必要があります。

提示された事例が他領域でも再現されるなら、自律性の最大化より、状態を監査し分岐点から再開できる研究環境の設計が重要になる。ただし現状の証拠は一般的な科学的妥当性や効率向上を確立しておらず、対照条件を置いた評価が必要である。